Engenharia Elétrica
URI permanente desta comunidadehttps://repositorio.fei.edu.br/handle/FEI/21
Navegar
3 resultados
Resultados da Pesquisa
- Aprendizado por reforço profundo com redes recorrentes aplicado a negociação do minicontrato futuro de dólar(2023) Kinoshita, J. K.Recentemente há um aumento exponencial no uso de técnicas de aprendizado de máquina no mercado financeiro, principalmente para negociação de ações, na tentativa de prever o seu preço futuro. O objetivo desse projeto é desenvolver um sistema de negociação inteligente para o Minicontrato Futuro de Dólar, baseado no uso de aprendizado por reforço, usando o Deep Recurrent Q learning, um modelo de Redes Neurais Convolucionais combinadas com as Redes Neurais Recorrentes. O treinamento foi baseado em uma base da dados históricos do ativo e o agente realizou três ações: comprar, vender, manter o ativo, sempre visando o máximo retorno financeiro. Os experimentos realizados demonstraram que o sistema proposto teve um desempenho melhor do que as estratégias de Buy and Hold, um modelo baseado na Deep Q Network, um Fundo Cambial e uma estratégia baseada no indicador técnico MACD. Palavras-chave: Aprendizado por Reforço Profundo. Redes Neurais Convolucionais. Redes Neurais Recorrentes. Long Short-Term Network. Deep Recurrent Q Network. Mercado Futuro
- Sistemas cognitivos para agentes robóticos baseado em aprendizado profundo(2019) Silva, I. J.
- Sistema de raciocínio baseado em casos qualitativos: um estudo no domínio do futebol de robôs humanoides(2018) Homem, Thiago Pedro DonadonO desenvolvimento de agentes autônomos capazes de realizar tarefas com a mesma destreza que a realizada pelos ser humanos é um dos desafios da Inteligência Artificial e Robótica. Isto motiva a pesquisa em robôs humanoides inteligentes, em especial, o futebol robôs humanoides como um banco de ensaio, pois trata-se de um ambiente dinâmico e que, cada agente em um time deve escolher a melhor ação visando maximizar o resultado do time, isto é, vencer a partida. Neste contexto, este trabalho apresenta um novo algoritmo para o Raciocínio Baseado em Casos Qualitativos (QCBRL), um modelo de Raciocínio Baseado em Casos que utiliza um formalismo do Raciocínio Espacial Qualitativo para representar, resgatar e reutilizar casos por meio de relações espaciais qualitativas entre os objetos no ambiente. Combinado com o método de Aprendizado por Reforço, o QCBRL permite ao agente aprender novos casos qualitativos em tempo de execução, sem a realização prévia de uma etapa de aprendizagem. Visando evitar os casos que não resultem em máximo desempenho, o QCBRL realiza a manutenção da base de casos, excluindo estes casos e aprendendo novos (mais adequados) casos. Os experimentos e análises do QCBRL foram realizados em cenários de futebol de robôs simulados e com robôs humanoides reais. Os resultados da execução do QCBRL mostram que o processo de resgate foi cerca de três vezes mais rápido e que o robô marcou uma média maior de gols do que os métodos com modelagem quantitativa.